Domain-Adaptiver Variational Autoencoder
Ein Domain-Adaptiver Variational Autoencoder (DA-VAE) erweitert das Standard-VAE-Framework, um entwirrte latente Repräsentationen zu lernen, die domänenspezifische Variationen von klassenrelevantem und domäneninvariantem Inhalt trennen, was es Modellen ermöglicht, die auf einer Quellendoma trainiert wurden, effektiv auf eine andere, aber verwandte Zieldomäne mit begrenzten oder keinen Ziel-Labels zu generalisieren.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Ilse, M., Tomczak, J. M., Louizos, C., & Welling, M. (2020). DIVA: Domain Invariant Variational Autoencoders. Proceedings of the Third Conference on Medical Imaging with Deep Learning (MIDL 2020), PMLR 121, 322–348. link ↗
- Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014). link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Domain-Adaptive Variational Autoencoder (DA-VAE). ScholarGate. https://scholargate.app/de/deep-learning/domain-adaptive-variational-autoencoder
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Generative Adversarial NetworkDeep Learning↔ compare
- Transfer LearningMaschinelles Lernen↔ compare
- Variationaler AutoencoderDeep Learning↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →